各家大模型纷纷卷起上下文窗口，llama-1时标配还是2k，现在不超过100k的已经不好意思出门了。
然鹅一项极限测试却发现，大部分人用法都不对，没发挥出AI应有的实力。
AI真的能从几十万字中准确找到关键事实吗？颜色越红代表AI犯的错越多。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
默认情况下，GPT-4-128k和最新发布的Claude2.1-200k成绩都不太理想。
但Claude团队了解情况后，给出超简单解决办法，增加一句话，直接把成绩从27%提升到98%。
只不过这句话不是加在用户提问上的，而是让AI在回复的开头先说：
“Here is the most relevant sentence in the context:”
（这就是上下文中最相关的句子：）
让大模型大海捞针
为了做这项测试，作者Greg Kamradt自掏腰包花费了至少150美元。
在测试Claude2.1时，Anthropic提供了免费额度给他，幸好这样他就不用花费额外的1016美元了
其实测试方法也不复杂，都是选用YC创始人Paul Graham的218篇博客文章当做测试数据。
在文档的不同位置添加特定的语句：旧金山最美好的事情就是在阳光明媚的日子里，坐在多洛雷斯公园，享用一份三明治
请使用所提供的上下文来回答问题，在不同上下文长度和添加在不同位置的文档中，反复测试GPT-4和Claude2.1
最终使用Langchain Evals库对结果进行评估
作者把这套测试命名为“干草堆里找针/大海捞针”，并把代码开源在GitHub上，已获得200+星，并透露已经有公司赞助了对下一个大模型的测试。
AI公司自己找到解决办法
几周后，Claude背后公司Anthropic仔细分析后却发现，AI只是不愿意回答基于文档中单个句子的问题，特别是这个句子是后来插入的，和整篇文章关系不大的时候。
换句话说，如果AI判断这句话与文章主题无关，则会采取不查找每句话的方法
这时就需要用点手段晃过AI，要求Claude在回答开头添加那句“Here is the most relevant sentence in the context:”就能解决。
使用这种方法可以提高Claude的表现，即使在查找原文中未被人为添加的句子时也可以如此
Anthropic公司表示将来会不断的继续训练Claude，让它能更适应此类任务。
在使用API时，要求AI以特定的开头回答，并且还可以有其他巧妙的用途
马特·舒默(Matt Shumer)这个创业家在阅读该方案后给出了一些小技巧的补充
如果想让AI输出纯JSON格式，提示词的最后以“{”结尾。同理，如果想让AI列出罗马数字，提示词以“I:”结尾就行。
不过事情还没完……
国内的大型公司也开始注意到这项测试，并开始尝试他们自己的大型模型是否能够通过
同样拥有超长上下文的月之暗面Kimi大模型团队也测出了问题，但给出了不同的解决方案，也取得了很好的成绩。
在不改变原义的情况下，需要重写的内容是：这样做的好处是，修改用户提问提示比要求AI在回答中添加一句更容易实现，尤其是在不调用API而直接使用聊天机器人产品的情况下
我使用了一种新方法来帮助测试GPT-4和Claude2.1的月球背面，结果显示GPT-4取得了显著的改善，而Claude2.1只有轻微的改善
看来这个实验本身有一定局限性，Claude也是有自己的特殊性，可能与他们自己的对齐方式Constituional AI有关，需要用Anthropic自己提供的办法更好。
后来，月球背面的工程师继续进行了更多轮的实验，其中一个实验居然是……
糟糕，我变成测试数据了
